改进的分层变压器用于Arabidopsis的器官分割

科学领域:

• 计算生物学是一种计算生物学.
• 植物科学 植物科学
• 机器学习是机器学习.

背景情况:

• 精确的植物表型提取依赖于从3D数据中精确细分植物器官.
• 现有的点云细分方法缺乏足够的工厂特定数据集和高效的处理技术.

研究的目的:

• 通过生成虚拟的Arabidopsis模型来解决植物点云数据集的稀缺问题.
• 开发一个高效的深度学习网络,用于植物器官细分.
• 使用自动化方法加速植物表型提取.

主要方法:

• 使用L系统生成虚拟的Arabidopsis模型,并提出了用于自动点注释的表面加权采样方法.
• 使用了Voxel的中心点抽样和随机抽样来进行点云下方抽样.
• 引入了植物分层变压器,这是一个增强的分层变压器,具有快速下载样本层,用于语义细分.

主要成果:

• 植物分层变压器在生成的Arabidopsis数据集上实现了高细分精度 (平均F1得分:83.61%).
• 与原始网络相比,改进的网络显示训练 (714.3 ms) 和推断时间 (597.9 ms) 显著减少.
• 该方法在细分性能和效率方面表现优于PointNet++和PAConv.

结论:

• 虚拟植物和深度学习为快速植物表型提取提供了强大的方法.
• 开发的方法有助于通过提高细分精度和效率来推进植物表型研究.
• 自动注释和高效的网络设计有助于大规模的工厂分析.